CN119322941B 一种小型无人机巡检数据管理方法 （国网江西省电力有限公司南昌供电分公司）

本发明公开了一种小型无人机巡检数据管成统一的特征表示，提升数据分析的精度和效2获取无人机在巡检任务中的空间位置和采集的数据，并通过时间对采集的数据进行噪声去除、标准化与多模态特征提取，并通过深度根据历史数据与当前采集数据，对巡检区域设备进行实时状态监获取无人机在巡检任务中的空间位置和采集的数据，并通过时间获取无人机每一个时间点的坐标，并根据在基站坐标和移将无人机采集所有采集的传感器数据与无人机位置信息同步，将无人机采集的图像数据与环境数据使用多模态深度融合网络根据设备的故障模式、严重性评分和风险预测确定任务的优先级，基于巡检的任务优先级和实时故障检测的结果，动态规划巡检f(p)=⃞d(v,vx1)，其中，d(v,vr1)为任务优先级最大化其中，w(v)为巡检点vi的任务优先级权多目标优化通过加权方法转化为单目标问题:F(P)=入f(P)+入2f2(P)-入3f3(P)3使用卷积神经网络提取图像数据的特征，对传感器数据使用自回归模型提使用深度神经网络对不同模态的特征进行融合得到统一的多模态训练好的模型通过分析实时传感器数据和图像重性评分R(t)和实时风险评分R(t)作为时间序列输入的关键特征，并构建时间序列矩阵X,其中，采用ADF检验方法判断数据是否平稳，对于非平稳序列，进行差分或对数变换：4;进行模态间动态关联分析，分析不同传感器的模态数据之间的动态关联性,其中i，j为模态编号，k为滞后时通过分析传感器模态i和j在不同滞后时间k下的相关性，识别多模态数据之间的因果对未来时间点的故障风险进行预测，使用长短期记忆网络处理时间序;将故障评分预测与故障模式预测结合，并将预测结果转化为具体进行粒子定义，每个粒子表示一个巡检路径的排列P=[V1,V在迭代达到最大次数或者全局最优解在连续k次迭代中无显著变化进行收敛，输出全5[0003]现有技术存在的不足：在无人机巡检过程中采集的多模态数据处理方法过于简[0011]在一个优选的实施方式中，获取无人机在巡检任务中的6[0022]训练好的模型通过分析实时传感器数据和图像数据，输障严重性评分R(t)和实时风险评分(t)作为时间序列输入的关键特征，并构建时间序列矩,7[0029]采用ADF检验方法判断数据是否平稳，对于非平稳序列，进行差分或对数变换：;[0032]通过分析传感器模态i和j在不同滞后时间k下的相关性，识别多模态数据之间的;[0034]将故障评分预测与故障模式预测结合，并将预测结果转化为具体的风险量化指时为低风险，当61<(t+T)≤62时为中风险，当(t+T)>92时为f(p)=⃞d(v,vx1)d(v,vr1)为飞行从vi到vi+1之间的飞行距离；[0039]能耗最小化其中，e(v1,vir1)为飞行从vi到vi+1之间所需的能量消耗；[0040]任务优先级最大化：f3(p)=⃞1w(v)，其中，w(v)为巡检点vi的任务优先8[0048]在迭代达到最大次数或者全局最优解在连续k次迭代中无显著变化进行收敛，输[0053]为了实现上述目的，图1给出了本发明一种小型无人机巡检数据管理方法的结构9减少卫星定位误差，在基站坐标Rase和移动终端坐标pobe之间传递校正信号，使用差分技术，最终得到的位置校正函数：porrectea(t)=pmobie(t)十AP(t)，其中，AP(t)表据为D;(t)={du(t),d;2(t),..,din(t)}，其中，D;(t)为第i种传感器（如温度传感[0063]在时间同步的过程中，如果传感器数据的采集时间和位置数据的时间戳存在差间，可以假设两者之间的时间差At=t2-t，则可以使用线性插值或更精确的样条插值sion(t)=fusion(F1(t),FO,(t))，这里，Frusion(t)数据为D;(t)，对于每一个时间戳t，可以通过以下位置标定函数将数据与位置精准绑定:S(t)=[p(t),D;(t)]，其中，S(t)为包含位置和传感器数据的完整数据集。在存储过程人机的RTK定位系统虽然高精度，但在信号遮挡或暂时失联的情况下仍可能存在较小的偏传感器数据D;(t)，其标准化过程可以采用以下公式其中，模态的特征进行协同优化，使得每种模态的数据都能够为最终的特征表示贡献重要的信异常数据点，这些数据点代表着与其周围数据显著不同的行为，通常意味着设备状态出i(t)为通过模型预测的正常图像特征；[0094]训练好的模型通过分析实时传感器数据和图像数据，输为：⃞(t)=SVM(Frusion(t))，其中，是设备当前状态的预测类别，Frusion(t)是由多同的传感器特征和图像特征根据其对故障影响的贡献程度赋予不同的权重，故障严重性性评分，C3(t)是当前时刻t识别到的第i个故障模式，wi是第i个故障模式的权重，Impact(c;(t))是故障模式c;(t)对系统的影响程度；性评分R(t)和实时风险评分R(t)作为时间序列输入的关键特征，并构建时间序列矩阵X,[0102]采用ADF检验方法判断数据是否平稳。对于非平稳序列，进行差分或对数变换：;[0105]通过分析传感器模态i和j在不同滞后时间k下的相关性，识别多模态数据之间的因果关系或时序依赖性，例如，若温度传感器D1(t)的上升趋势与振动传感器D2(t+k)在输出层预测未来时间点的故障评分(t+T)，预测公式为：;函数其中，Lreg为故障评分的预测误差（如均方误差[0110]例如，某变电站巡检时，传感器数据和实时评分显示某设备存在轻微的过热故(t)，LSTM模型预测未来6小时内的故障评分输出：(t+1)=0.7、R(t+2)=0.8、f(p)=⃞d(v,vx1)为飞行从vi到vi+1之间的飞行距离；飞行从vi到vi+1之间所需的能量消耗；[0123]任务优先级最大化：f3(p)=⃞1w(v)，其中，w(v)为巡检点vi的任务优先F(P)=入f1(P)+入2fz(